目前室内定位中,可实现自主导航的行人航迹推算(Pedestrian dead reckoning,PDR)与需要基站获得测距值的超宽带(Ultra-wideband,UWB)定位是其中应用最广泛的两种。PDR定位不需要额外的基础设施支撑,测距信息由基于惯性测量单元(Inertial measurement unit,IMU)提供的原始运动信息获得,可实现独立导航,短时间内定位精度高,然而PDR技术只能计算出传感器坐标系下的相对位置,无法获取地球坐标系下的绝对位置信息,而且面对随机误差和传感器系统误差引起的严重累积误差的挑战,长时间定位中定位精度下降严重。在有障碍物遮挡的复杂室内环境中,UWB系统定位结果中会出现很多异常值,严重影响系统的定位精度。针对以上问题,论文研究内容是基于UWB与IMU集成的室内精确定位,主要工作包括以下几点:(1)本文介绍了PDR技术和UWB技术基本原理,分析两种定位技术中造成定位误差的主要原因,阐述两种定位技术中常用的定位算法,根据两种定位技术中的优势和缺点分别进行改进,在两种改进方案中分别做了一组实验,证实所提的改进方案切实有效。(2)针对PDR技术中误差随时间累积的问题,本文分别对PDR技术中的三个关键步骤做出改进:首先,使用双频巴特沃思滤波器(Dual-frequency Butterworth filter,DBF)进行步态检测,改进信号滤波后的时延问题。其次,将步频,振幅,加速度的均值和方差添加到步长估计(Step Length Estimation,SLE)模型中,提出具有多个特征的L最近邻的在线评估函数线性组合模型进行精确估计。最后,利用UWB系统输出的无漂移测距值周期性校准IMU航向建立联合航向校准模型。实验结果表明,改进的算法在匀速、加速、不规律运动状态下,定位准确率都得到了提升,证实了所提改进算法确实有效,提高PDR技术的定位精度。(3)针对传统的卡尔曼滤波器(Kalman filtering,KF)框架下集成UWB与IMU,需要UWB与IMU误差的动态模型,惯性传感器误差的随机模型,以及两个系统提供的数据协方差等先验信息,且并未考虑由NLOS环境引起的异常值造成的定位误差影响,将过程噪声和测量噪声设置为恒定值无法准确描述传输过程中的噪声分布。提出基于自适应卡尔曼滤波(Adaptive kalman filtering,AKF)框架下进行UWB与IMU信息集成,利用可变噪声方差代替原为固定值的过程噪声和测量噪声,并提出切换机制依据NLOS程度调整系统输出方式,有效地消除异常值造成的定位误差,实验结果表明,所提出的改进AKF算法平均误差小于0.015m,优于传统的卡尔曼滤波算法,提升了定位系统的鲁棒性和稳健性。